Professional Documents
Culture Documents
Chap 2 Et 3 VARQUAL
Chap 2 Et 3 VARQUAL
• Modèles séquentiels
Chapitre 2 : • Modèles non ordonnés :
Les modèles à • logit multinomial,
variables • logit conditionnel,
qualitatives • hypothèse fondamentale de l’indépendance des états
non pertinents et test de celle-ci,
polytomiques
• autres modèles alternatifs :logit emboîté,
probit polytomique
2.1 Introduction
Quelle que soit la catégorie des modèles considérés, un
modèle polytomique (multinomial) peut se définir comme
suit :
- la variable à expliquer yi peut prendre mi + 1 modalités :
0,1,...,mi
- les modalités j sont mutuellement exclusives pour
chaque individu i : m +1 i
P(yi = j) = 1∀i
j=0
De manière générale
- Fonction de vraisemblance
2.2 Les modèles ordonnés
3.2.1 Présentation générale
- La log-vraisemblance
On pose 2 = 1
- Maximum de vraisemblance
2.2 Les modèles ordonnés
3.2.2 Logit et Probit ordonné
- Probit ordonné
- Logit ordonné
2.2 Les modèles ordonnés
3.2.3 Interprétation
Les constantes dans ces modèles ne sont
pas identifiables
= F(X2i2)[1 − F(X1i1)]
P(y1i = 1) = F(X1i1)
2.3 Les modèles séquentiels
Exemple : métro, bus rouge, bus bleu
n
L= [F(X1i1)]y
1i
[1 − F(X1i1)](1−y1i) [F(X2i2)]y2i [1 − F(X2i2)](1−y2i)
i=1
La log-vraisemblance :
n m n m n
L = [pi j ] ⇒ ln L =
yi j
yi j ln[pi j] = [yi0 ln pi0 + yi1 ln pi1 + ... + yim ln pim]
i=1 j=0 i=1 j=0 i=1
exp(Xi j ) 1
avec pi j = 1 + m exp(X ) pi0 =
k=1 i k 1 + m
k=1 exp(Xik)
ln L n
= [yi j − pi j ]Xi = 0
j i=1
2.4 Les modèles non-ordonnés
3.4.1 Le logit multinomial
- Spécification et estimation
Les coefficients ne sont pas directement interprétables : la
significativité et le signe sont les seuls éléments auxquels on
s’intéresse.
Effet marginal :
pi j m
= pi j [ j − pikk]
Xi k=1
2.4 Les modèles non-ordonnés
- Exemple
2.4 Les modèles non-ordonnés
3.4.2 Le logit conditionnel de McFadden
Le logit conditionnel considère un vecteur de paramètres
constants et autorise les variables explicatives à dépendre
des modalités
exp(Xi j )
P(yi = j) = m
k=0 exp(Xik )
Xi j : les attributs caractéristiques de chaque alternative
(lesquels peuvent dépendre de l’individu comme la
distance au travail pour le choix du moyen de transport)
Ce modèle est couramment utilisé en économie industrielle
appliquée/marketing.
Exemple : choix de la marque de céréales de petit déjeuner en
fonction des caractéristiques nutritionnelles des produits
2.4 Les modèles non-ordonnés
3.4.2 Le logit conditionnel de McFadden
P(yi = j)
Comme dans le logit multinomial, est indépendant des
autres modalités P(yi = l)
P(yi = j) exp(Xi j )
= = exp[( Xi j − Xil )], ∀j = 1,..., m
P(yi = l) exp(Xil)
Pour le calcul des effets marginaux, on s’intéresse à la variation
estimée de la probabilité qu’un individu i choisisse la modalité j,
lorsque la kème variable explicative associée à une modalité
quelconque (l) varie. En indiçant les paramètres par rapport aux
composantes du vecteur Xi j , on a :
2.4 Les modèles non-ordonnés
3.4.2 Le logit conditionnel de McFadden
Loi de Gumbell :
F() = exp(−exp(−µ( − )))
→ G(, µ)
f () = µ.exp(−µ( − )).exp(−exp(−µ( − ))
2.4 Les modèles non-ordonnés
3.4.4 L’hypothèse IIA
L’expression très simple des probabilités dans le cas du logit
multinomial vient du fait que les erreurs sont non-corrélés entre
les différents biens et ont une même variance.
P2/123 = P3/123
=>
P2/123 = P3/123 = 1/4
P1/123 + P2/123 + P3/123 = 1
2.4 Les modèles non-ordonnés
3.4.4 L’hypothèse IIA
Si on considère seulement 2 modalités : { 1,3} ; { 1,2}
P1/12 = P2/12 = 1/2 P1/13 = P3/13 = 1/2
Ainsi :
P1/123 1/2 P1/12 1/2
= =2 = =1
P2/123 1/4 P2/12 1/2
IIA est vérifiée au sein des groupes mais pas entre groupes
2.4 Les modèles non-ordonnés
5. Modèles multinomiaux alternatifs
1. le logit multinomial emboîté (Nested logit)
Ces modèles peuvent être représentés par un arbre de
décision où chaque branche constitue un sous-ensemble de
modalités au sein duquel l’hypothèse IIA est respectée.
2.4 Les modèles non-ordonnés
5. Modèles multinomiaux alternatifs
1. le logit multinomial emboîté (Nested logit)
On pose :
21 = i2 − i1; 31 = i3 − i1; µ12 = µi1 − µi2; µ13 = µi1 − µi3)
P(yi = y∗ ∗ ∗ ∗
i |yi > ci) = f (yi |yi > ci)
E(yi)
= ik
xik
3.3 Le modèle Tobit simple
Exemple : Equations des heures travaillées pour les femmes mariées
3.3 Le modèle Tobit simple
Exemple : Equations des heures travaillées pour les femmes mariées
3.4 Le modèle Tobit à deux seuils
Dans certaines applications, la variable dépendante est censurée à la
fois par le haut et par le bas.
1
2ème étape : régression MCO sur les données positives y2i avec
l’introduction de l’inverse du ratio de Mills comme variable
explicative 12
y2i = X2i2 + ̂ + v
1i i
1
3.5 Modèles Tobit généralisés
4.5.3 Estimation du modèle
- La méthode en deux étapes d’Heckman
=> mieux vaut faire des MCG que des MCO sur la régression de
deuxième étape (ou correction de White)